扬声器异常声分析模块的分类方法优化及软件设计.pdfVIP

摘要

摘要

扬声器是电声转换器件，起到传播信息的作用，广泛应用于各类视听娱乐产品。

扬声器生产商在追求扬声器单元小型化的前提下，仍要求其兼备宽频带、高保真和高

声压。高标准的要求下，由于工艺等原因导致故障扬声器的数量随之增加。扬声器单

元在大信号驱动下，其声频响应信号为非线性、非平稳的，这就导致自动化进行扬声

器异常声检测出现困难，目前企业进行扬声器异常声检测主要依靠人耳听音检测，但

这种方案导致检测结果不稳定，易出现误检。所以，本文设计了扬声器异常声分析系

统，将软件与硬件相结合，并对采集到扬声器异常声数据进行时频分析，采用模态分

解方法提取异常声故障特征，并将深度学习方面的相关算法引入扬声器异常声分类中，

实现异常声检测的需求。论文的主要研究成果如下：

（1）用7K-180Hz的从高频到低频的步进信号作为被测扬声器单元的激励信号，

使用扬声器异常声分析模块进行数据采集。扬声器异常声分析模块中设计了滤波电路，

通过带通滤波功能，可以减少微弱噪声对扬声器异常声的干扰；通过基频陷波功能，

可以过滤掉异常声响应信号中的基频能量，提高扬声器异常声数据的信噪比，更有助

于后续的特征提取和分类。

（2）提出了自适应变分模态分解（adaptivevariationalmodedecomposition，

AVMD）。首先以包络谱特征因子作为衡量变分模态分解（variationalmode

decomposition，VMD）提取扬声器异常声特征好坏的标准，用麻雀有哪些信誉好的足球投注网站算法

（sparrowsearchalgorithm，SSA）作为寻优算法，解决VMD中二次惩罚因子()和模

态分解数(K)的最优取值问题，实验结果表明，优化参数后的VMD具有更精确的特征

提取能力，更短的模态分解时间；最后，再利用随机森林递归特征消除（random

forestandrecursivefeatureelimination，RF-RFE）算法提取扬声器异常声特征的最优子

集，剔除无效特征，筛选后的最优特征子集比筛选前减少了98个特征，很大程度减少

了数据处理难度，提高了扬声器异常声分类的精度。

（3）为了提高扬声器异常声分类的平均准确率，将卷积神经网络加门控循环单

元（convolutionalneuralnetworkplusgatedrecurrentunit，CNN-GRU）模型引入到异常

声分类中，以CNN为基础特征提取网络，提取浅层特征；再用GRU网络，进一步加

深网络层数，挖掘更深层次的特征。确定网络结构后，用网格有哪些信誉好的足球投注网站算法确定了模型的

具体参数。最后与支持向量机，VGG，XGBoost，遗传算法优化的支持向量机四种分

类模型进行对比。实验结果表明，CNN-GRU分类模型分类效果最好。

关键词：扬声器异常声；自适应变分模态分解；卷积神经网络；门控循环单元

论文类型：应用研究

I

ABSTRACT

ABSTRACT

Loudspeakerswereelectro-acousticconvertersthatplayedaroleindisseminatinginformation

andwerewidelyusedinvariousaudio-visualandentertainmentproducts.Loudspeaker

manufacturersstillrequiredbothbroadband,highfidelity,andhighsoundpressurewhile

pursuingminiaturizationofloudspeakerunits.Undertherequirementsofhighstandards,the

numberof